IMPLEMENTASI DATA MINING PADA PENENTUAN JUMLAH SKS MENGGUNAKAN DECISION TREE Asmah 1), Mussallimah 2), Indrianti 3) 1,2,3) Sistem Informasi STMIK PPKIA Tarakanita Rahmawati Tarakan Jl Yos Sudarso rt. 06 no. 06, Tarakan, Kalimantan Timur 77111 Email : asmah_dp@yahoo.co.id 1), mussallimah.amat@yahoo.co.id 2), indri3.ppkia@gmail.com 3) Abstrak Mahasiswa merupakan komponen penting dalam suatu institusi pendidikan. Mahasiswa yang dinyatakan aktif kuliah pada setiap semester berjalan adalah Mahasiswa yang melakukan pengisian Kartu Rencana Studi (KRS). Pada setiap pengisian KRS, Dosen Wali memberikan sejumlah Satuan Kredit Semester (SKS) sebagai acuan mahasiswa untuk menyusun KRS. Pemberian ini biasanya mengacu pada beban SKS semester berjalan menurut sistem, beban SKS pada semester berjalan, dan Indeks Prestasi Sementara. Meski demikian, terkadang ada faktor lain yang dipertimbangkan oleh dosen wali dan cukup menyita waktu dalam memutuskan pemberian SKS kepada mahasiswa, seperti: lama studi, waktu kuliah, dan sebagainya. Metode pohon keputusan yang digunakan dalam penelitian ini akan dihubungkan dengan logika Fuzzy untuk memudahkan dosen wali dalam masalah rekomendasi jumlah Satuan Kredit Semester kepada mahasiswa, apakah jumlah SKS yang diberikan akan ditambah, dikurangi atau tetap sesuai dengan jumlah beban Satuan Kredit Semester yang berjalan. Algoritma ID3 digunakan untuk memberikan decision tree yang terbaik. Selanjutnya, melalui data mining akan ditemukan pola yang telah terklasifikasi menurut variabel tersebut di atas dan menghasilkan rekomendasi keputusan yang dapat dipertimbangkan dosen wali dalam proses KRS. Kata kunci: Satuan Kredit Semester, Kartu Rencana Studi, pohon keputusan, pendukung keputusan, Data Mining, logika Fuzzy, Algoritma ID3. 1. Pendahuluan Pada abad modern ini telah banyak perkembangan dalam bidang ilmu pengetahuan dan teknologi. Informasi sangat mempengaruhi perkembangan tersebut. Informasi adalah data yang telah diolah menjadi sebuah bentuk yang berarti bagi penerimanya dan bermanfaat dalam mengambil keputusan saat ini atau saat yang akan datang. Pada penelitian ini digunakan metode pada Data Mining dengan memanfaatkan metode Decision Tree (pohon keputusan) dengan perhitungan nilai Entrhopy dan Fuzzy Logic (logika Fuzzy). Data Mining merupakan serangkaian proses untuk menggali atau mencari sebuah objek terpendam ataupun nilai tambah dari kumpulan karakter. Saat ini, penentuan pemberian jumlah SKS mahasiswa pada STMIK PPKIA Tarakanita Rahmawati Tarakan oleh dosen wali dilakukan dengan melihat beban SKS semester berjalan menurut sistem, beban SKS pada semester berjalan, dan Indeks Prestasi Sementara. Akan tetapi, ketika dosen wali dihadapkan pada mahasiswa yang mengajukan penambahan jumlah SKS atau pemberian jumlah SKS yang tidak sesuai dengan sistem, terkadang hal tersebut cukup membutuhkan waktu dalam memutuskannya. Dosen wali akan mempertimbangkan lagi jumlah nilai tidak tuntas pada Kartu Hasil Studi, waktu perkuliahan, dan alasan permohonan tambah SKS. Alasan penulis menggunakan data mining karena dianggap mampu menyelesaikan permasalahan yang ada dalam hal pengambilan keputusan dalam masalah rekomendasi jumlah Satuan Kredit Semester. Adapun alasan penggunaan metode pohon keputusan dengan nilai entropy dan informasi Gain dapat menghasilkan pohon keputusan yang dapat memberikan keputusan yang tepat. Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur hirarki dan mengubah data menjadi pohon keputusan dan aturan-aturan keputusan (rule). 2. Pembahasan Metode yang digunakan pada penelitian ini adalah metode pohon keputusan dengan perhitungan nilai entropy dan logika fuzzy. Konsep dalam pohon keputusan dimulai dari data dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree. Salah satu atribut merupakan atribut yang menyatakan data solusi per-item data yang disebut dengan target atribut. Atribut memiliki nilai-nilai yang dinamakan dengan instance. Salah satu algoritma pohon keputusan yaitu ID3 atau Iterative Dichotomiser 3 atau Induction of decision 3. Dalam pembentukan pohon, dilakukan perhitungan 2.02-43
secara berulang-ulang sampai mendapatkan nilai yang menentukan. Sebuah tree terdiri dari 3 tipe node, yaitu: 1. Root Node, yaitu node yang tidak mempunyai masukan dan hanya memiliki keluaran. 2. Internal Node, yaitu node yang hanya memiliki 1 masukan dan 2 atau lebih keluaran. 3. Leaf/Terminal node, yaitu node yang hanya memiliki 1 masukan dan tidak memiliki keluaran. Perhitungan nilai Entropy dapat dilihat dalam persamaan berikut [1] : Keterangan: Entropy (S) Pi Entropy (S) = n pi Log2 pi i = j : data (sampel) untuk training...(1) : jumlah data sampel untuk kriteria Sedangkan perhitungan nilai Gain persamaannya sebagai berikut: Gain (K, SB) = Entropy(K) Sy S ( )...(2) Pengembangan sistem dimulai dengan menentukan domain bagi setiap atribut. Adapun penilaiannya dapat dilihat pada tabel dibawah ini: Tabel 1. Tabel Penilaian Indeks Prestasi Semester Tinggi Sedang Rendah >= 2,76 >=2 atau <=2,75 <= 1,99 Tabel 2. Tabel Penilaian Indeks Prestasi Semester sebelumnya Tinggi Sedang Rendah >= 2,76 >=2 atau <=2,75 <= 1,99 Tabel 3. Tabel Penilaian Beban Satuan Kredit Semester Tinggi Sedang 21 24 18-20 Entropy (Sy) Tabel 4. Tabel Penilaian Nilai Tidak Tuntas Baik Cukup Kurang 0-2 3 > 3 Tabel 5. Tabel Penilaian Waktu Perkuliahan Pagi Malam Shift 70-100 41-69 0-40 Tabel 6. Tabel Sampel Penelitian N o I P S IP Sebelum nya Beb an SK S Nilai tdk Tun tas Waktu Kuliah Rekome ndasi 1 T T T B P Tetap 2 S S T B P Kurang 3 T T T B M Tetap 4 T T T B M Tetap 5 T T T B M Kurang 6 S S T B P Kurang 7 T S T B P Tambah 8 S S T B M Kurang 9 R R T K M Kurang 10 T S T B M Tetap 11 S S T B P Kurang 12 T T T B M Tetap 13 T T T B M Tetap 14 T S T B S Kurang 15 T T T B M Kurang 16 R R T B P Kurang 17 S S T B M Tambah 18 T T T B M Tambah 19 T T T B M Tetap 20 S S T B S Kurang 21 S S T B M Kurang 22 R R T K M Kurang 23 S S T B P Tambah 24 T S T B M Tambah 25 T T T B P Kurang 26 T T T B M Tambah 2.02-44
Tabel 6. Tabel Sampel Penelitian N o I P S IP Seb elu mn ya Beba n SKS Nilai tdk Tunt as Wakt u Kulia h Rekome ndasi 27 S S T B P Kurang 28 R T T B P Tambah 29 T T T B M Tetap 30 T T T B S Tetap 31 T T T B M Tambah 32 T T T B M Kurang 33 T T T B M Kurang 34 T T T B P Tambah 35 R R T K P Kurang 36 R S T K P Kurang 37 R T T B P Kurang 38 T R T B S Tambah 39 R R T K P Kurang 40 R R T K P Tetap 41 T T T B P Tetap 42 T T T B M Tetap 43 T S T B M Kurang 44 T T T B M Tambah 45 R R T B P Kurang Perhitungan nilai entropy sebagai berikut: Tambah 10 Tetap 12 Kurang 23 Total 45 Entropy 1,485614075 IPS Tambah Tetap Kurang Total Entropy Tinggi 8 11 7 26 1,558 Sedang 2 0 7 9 0 Rendah 1 1 8 10 0,922 Gain 0,381 IP Sebelumnya Tambah Tetap Kurang Total Entropy Tinggi 5 10 7 22 1,529 Sedang 4 1 10 15 1,159 Rendah 1 1 6 8 1,061 Gain 0,163 Beban SKS Tambah Tetap Kurang Total Entropy Tinggi 10 12 23 45 1,486 Sedang 0 0 0 0 0 Gain 0 Nilai tdk Tuntas Tambah Tetap Kurang Total Entropy Baik 10 11 18 39 1,533 Cukup 0 0 0 0 0 Kurang 0 1 5 6 0 Gain 0,157 Waktu Kuliah Tambah Tetap Kurang Total Entropy Pagi 5 3 11 19 1,384 Malam 4 8 10 22 1,495 Shift 1 1 2 4 1,5 Gain 0,037 Setelah mendapatkan gain masing-masing atribut, maka nilai gain terbesar yang akan dijadikan root node. Selanjutnya dilakukan perhitungan untuk menemukan Internal node dan Leaf node. Algoritma dari pohon keputusan menurut Ross Quinlan sebagai berikut. [2] Procedure ID3 (Sampel, Target_Atribut, Atribut) Buat root node untuk pohon keputusan, Jika atribut kosong, kembali ke single-node pada root node, dengan label = nilai yang paling umum dari target_atribut pada sampel Sebaliknya Begin A <- atribut dari tribut terbaik klasifikasi sampel keputusan atribut untuk root <- A Untuk setiap kemungkinan nilai V i dari A Tambahkan cabang baru dibawah root node, sesuai pengujian A = V i Sampel vt menjadi sub dari sampel yang memiliki nilai V i untuk A Jika sampel vt kosong Maka dibawah cabang baru tambahkan leaf node dengan label = nilai yang paling umum dari target_atribut pada sampel Selain dari itu dibawah cabang baru tambahkan sub pohon Call ID3(Sampel, Target_Atribut, Atribut) End Return root Keterangan: Sampel Target_Atribut Atribut : Sampel Penelitian : atribut yang nilainya akan diprediksi oleh pohon : daftar atribut diuji melalui pembelajaran pohon keputusan 2.02-45
Pohon Keputusan yang terbentuk adalah sebagai berikut. Gambar 1. Pohon Keputusan Dari Pohon keputusan yang ada didapatkan rule sebagai berikut: "Tinggi" And Waktu Perkuliahan = "Pagi" Then Rekomendasi = "Tetap" "Tinggi" And Waktu Perkuliahan = "Malam" Then Rekomendasi = "Tetap" "Tinggi" And Waktu Perkuliahan = "Shift" Then Rekomendasi = "Tetap" "Sedang" Then Rekomendasi = "Tambah" "Rendah" Then Rekomendasi = "Tambah" - If IP Semester = "Sedang" Then Rekomendasi = "Kurang" - If IP Semester = "Rendah" Then Rekomendasi = "Kurang" Gambar 2. Diagram alur Penentuan Jumlah SKS Gambar 3. Form Input Nomor Induk Mahasiswa Pada form ini Dosen Wali memasukkan Nomor Induk Mahasiswa, melakukan proses perhitungan nilai Entropy Keseluruhan seperti yang ditampilkan pada form dibawah ini 2.02-46
Daftar Pustaka [1] Leszek Rutkowski, Fellow, IEEE, Lena Pietruczuk, Piotr Duda, and Maciej Jaworski, Decision Trees for Mining Data Streams Based on the McDiarmid s Bound, IEEE Transactions on Knowledge and Data Engineering, vol. 25, no. 6, June 2013. [2] Hansmichael, ID3: Induksi Decision Treee, diakses dari www.hansmichael.com, pp.3, Maret 2007. Gambar 4. Form Perhitungan Entropy Keseluruhan Setelah nilai Entropy Keseluruhan sudah diketahui, maka proses selanjutnya adalah menghitung nilai Gain masing-masing kriteria, seperti yang ditampilkan pada gambar dibawah ini Biodata Penulis Asmah, memperoleh gelar Sarjana Komputer (S.Kom), Jurusan Teknik Informatika STMIK Dipanegara Makassar, lulus tahun 2004. Saat ini menjadi Dosen di STMIK PPKIA Tarakanita Rahmawati Tarakan. Mussallimah, memperoleh gelar Sarjana Pendidikan (S.Pd), Program Studi Pendidikan Bahasa Inggris Universitas Mulawarman, lulus tahun 2001. Memperoleh gelar Magister Humaniora (M.Hum) Program Pasca Sarjana Linguistik Terapan Universitas Negeri Yogyakarta, lulus tahun 2010. Saat ini menjadi Dosen di STMIK PPKIA Tarakanita Rahmawati. Indrianti, memperoleh gelar Sarjana Komputer (S.Kom), Jurusan Sistem Informasi STMIK STMIK PPKIA Tarakanita Rahmawati, lulus tahun 2012. Saat ini menjadi Dosen di STMIK PPKIA Tarakanita Rahmawati Tarakan. Gambar 5. Penetuan Nilai Akhir Gambar 6. Form Rekomendasi Penentuan Jumlah SKS Setelah dilakukan proses perhitungan Gain secara keseluruhan, hasil akhir dapat dilihat pada gambar 6. 3. Kesimpulan Metode pohon keputusan memiliki cakupan aplikasi yang luas untuk eksplorasi dan pengelompokan data juga pemberian nilai. Metode ini dapat mengefektifkan dan mengefisiensikan pengambilan keputusan oleh dosen wali dalam menentukan jumlah SKS yang diberikan kepada mahasiswa saat penyusunan KRS. 2.02-47
2.02-48